Datenvisualisierung 3

Darstellung der zusammenfassenden Statistik

Autor:in

Zugehörigkeit

Daniela Palleschi

Humboldt-Universität zu Berlin

Lernziele

Heute werden wir lernen…

Boxplots zu erstellen und zu interpretieren
Mittelwerte und Standardabweichungen zu visualisieren

Ressourcen

Kurswebsite (Datenvisualisierung 3)
Abschnitt 2.5 (Visualisierung von Beziehungen) in Wickham et al. (2023)
Kapitel 4 (Darstellung von zusammenfassenden Statistiken) in Nordmann et al. (2022)
Abschnitte 3.5-3.9 in Winter (2019)

Einrichten

Pakete

pacman::p_load(tidyverse,
               here,
               janitor,
               ggthemes,
               patchwork)

Daten

df_eng <- read_csv(
  here(
    "daten",
    "languageR_english.csv"
  )
) |> 
  clean_names() |> 
  rename(
    rt_lexdec = r_tlexdec,
    rt_naming = r_tnaming
  )

1 Wiederholung

Betrachten Sie jede Abbildung in Abbildung 1
- Wie viele Variablen werden in jeder Abbildung dargestellt?
- welche Typen von Variablen sind es?
- Welche zusammenfassende(n) Statistik(en) wird/werden in jedem Diagramm dargestellt?

2 Darstellung von zusammenfassenden Statistiken

Modus und Bereich werden in Histogrammen und Dichteplots visualisiert
die Anzahl der Beobachtungen wird in Balkendiagrammen visualisiert

2.1 Boxplot

auch bekannt als Box-and-Whisker-Plots, enthalten
- eine Box
- eine Linie in der Mitte der Box
- Linien, die an beiden Enden der Box herausragen (die ‘Whisker’)
- manchmal Punkte

Betrachten Sie Abbildung 2
- identifiziere jeden dieser 4 Aspekte des Plots
- können Sie erraten, was jeder dieser Aspekte darstellen könnte und wie Sie die Darstellung interpretieren sollten?

Abbildung 2: Boxplot of `df_eng` (body mass by age_subject)

Boxplots vermitteln eine Menge Informationen in einer einzigen Visualisierung
- Die Box selbst stellt den Interquartilsbereich (IQR; der Bereich der Werte, der zwischen den mittleren 50% der Daten liegt) dar.
  - Die Grenzen der Box repräsentieren Q1 (1. Quartil, unter dem 25% der Daten liegen) und Q3 (3. Quartil, über dem 25% der Daten liegen)
- die Linie in der Mitte des Boxplots stellt den Median dar
  - auch Q2 genannt (2. Quartil; der mittlere Wert, über/unter dem 50% der Daten liegen)
- Die Whisker repräsentieren 1,5*IQR von Q1 (unterer Whisker) oder Q3 (oberer Whisker)
- Punkte, die außerhalb der Whisker liegen, stellen Ausreißer dar (d. h. Extremwerte, die außerhalb des IQR liegen).

?@fig-winter-boxplot-hist zeigt die Beziehung zwischen einem Histogramm und einem Boxplot

Image source: Winter (2019) (all rights reserved)

?@fig-wickham-boxplot-hist hat einen ähnlichen Vergleich, einschließlich eines Streudiagramms

Image source: Wickham et al. (2023) (all rights reserved)

2.1.1 `geom_boxplot()`

Die Funktion geom_boxplot() von ggplot2 erzeugt Boxplots
- sie benötigt eine numerische Variable als x oder y Achse (Abbildung 3)

df_eng |> 
  ggplot(aes(y = rt_lexdec)) +
  geom_boxplot()

Abbildung 3: A boxplot for all observations of a continuous variable

für Boxplots verschiedener Gruppen: eine kategorische Variable entlang der anderen Achse (Abbildung 4)

df_eng |> 
  ggplot(aes(x = age_subject, y = rt_lexdec)) +
  geom_boxplot() +
  theme_bw()

2.1.2 Gruppierter Boxplot

Wir können gruppierte Boxplots erstellen, um mehr Variablen zu visualisieren
- einfach eine neue Variable mit colour oder fill ästhetisch zuordnen

df_eng |> 
  ggplot(aes(x = age_subject, y = rt_lexdec, 
             colour = word_category)) +
  geom_boxplot() +
  labs(
    x = "Age group",
    y = "LDT reaction time (ms)",
    color = "Word type"
  ) +
  scale_colour_colorblind() +
  theme_bw()

3 Visualisierung des Mittelwerts

In der Regel wollen wir auch den Mittelwert mit der Standardabweichung darstellen.
- Wie können wir das tun?

3.1 Fehlerbalkenplots

Diese Diagramme bestehen aus 2 Teilen:
- der Mittelwert, visualisiert mit geom_point()
- ein Maß für die Streuung, visualisiert mit “geom_errorbar()”.
für diesen Kurs werden wir die Standardabweichung verwenden
Abbildung 5 ist das, was wir heute erzeugen werden

Abbildung 5: Errorbar plot of `df_eng` (body mass by age_subject)

3.1.1 Berechnung der zusammenfassenden Statistik

müssen wir zunächst den Mittelwert und die Standardabweichung berechnen
- gruppiert nach den Variablen, die wir visualisieren wollen
Wie kann man den Mittelwert und die Standardabweichung von rt_lexdec nach age_subject berechnen?

Click here to see how

sum_eng <- df_eng |> 
  summarise(mean = mean(rt_lexdec),
            sd = sd(rt_lexdec),
            N = n(),
            .by = age_subject) |> 
  arrange(age_subject, age_subject)

Diese Zusammenfassung können wir dann in ggplot() mit den entsprechenden ästhetischen Zuordnungen und Geomen einfügen

3.1.2 Plotting mean

Zunächst werden die Mittelwerte mit geom_point() dargestellt.

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean) +
  geom_point()

3.1.3 Hinzufügen von Fehlerbalken

Fügen wir nun unsere Fehlerbalken hinzu, die 1 Standardabweichung über und unter dem Mittelwert darstellen
wir tun dies mit geom_errorbar()
- nimmt ymin und ymax als Argumente
- In unserem Fall sind dies mean-/+sd.

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean) +
  geom_point() +
  geom_errorbar(aes(ymin = mean-sd, 
                    ymax = mean+sd))

Wenn wir weitere Anpassungen hinzufügen, erhalten wir Abbildung 6

Code

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean, 
      colour = age_subject, shape = age_subject,
      ymin=mean-sd, ymax=mean+sd) +
  geom_point(size = 3) +
  geom_errorbar(width = .5) +
  labs(title = "Mean LDT times (+/-1SD)",
    x = "Age group",
    y = "Reaction time (ms)",
    color = "Age group"
  ) +
  scale_color_colorblind() +
  theme_bw() +
  theme(
    legend.position = "none"
  )

4 Barplot von Mittelwerten: Finger weg!

Sie werden sehr oft Balkendiagramme von Mittelwerten sehen
- aber es gibt viele Gründe, warum dies eine schlechte Idee ist!!
Der Balkenplot hat ein schlechtes Daten-Tinten-Verhältnis, d.h. die Menge der Datentinte geteilt durch die Gesamttinte, die zur Erstellung der Grafik benötigt wird
- Was ist, wenn es nur sehr wenige oder gar keine Beobachtungen in der Nähe von Null gibt? Wir verbrauchen eine Menge Tinte, wo es keine Beobachtungen gibt!
- Außerdem deckt der Balken nur den Bereich ab, in dem die untere Hälfte der Beobachtungen liegt; ebenso viele Beobachtungen liegen über dem Mittelwert!

4.1

Wie groß ist die Bandbreite der beobachteten Werte?

range(df_eng$rt_lexdec)

[1]  495.38 1323.20

beachten Sie, dass der tatsächliche Bereich der Datenpunkte und das Balkendiagramm viel “Tinte” für datenfreie (d. h. unbeobachtete) Reaktionszeitwerte verwenden

Abbildung 7: Balkendiagramm des Mittelwerts mit +/- 1 Standardabweichung (ich empfehle, von solchen Diagrammen abzusehen!)

4.2 Fehlerbalkendiagramm vs. Balkendiagramm für Mittelwerte

Abbildung 8 A und B stellen dieselbe Information dar

Abbildung 8: Fehlerbalken-Diagramm und Balkendiagramme, die Mittelwerte (+/-1SD) darstellen, sowie ein Histogramm der gleichen Daten

4.3 Gleiche Grenzen auf der y-Achse

Abbildung 9 zeigt die gleichen Daten, aber mit dem gleichen y-Achsenbereich

Abbildung 9: Fehlerbargraphik und Balkenplots, die Mittelwerte (+/-1SD) darstellen, sowie ein Histogramm derselben Daten mit demselben y-Achsenbereich

4.4 Zusammenfassende Statistiken und Verteilung

Fehlerbalken allein sind keine Lösung: auch hier wird eine Menge Information verborgen
- ein guter Grund, die Rohdatenpunkte immer zu visualisieren, unabhängig davon, welche zusammenfassende Darstellung Sie erstellen

Lernziele 🏁

In diesem Abschnitt haben wir gelernt, wie man…

Boxplots erstellen und interpretieren ✅
Fehlerbalkendiagramme erstellen und interpretieren ✅

Hausaufgabe

Anhang 8: Datenvisualisierung 3 auf der Website des Kurses.

Session Info

Hergestellt mit R version 4.4.0 (2024-04-24) (Puppy Cup) und RStudioversion 2023.9.0.463 (Desert Sunflower).

print(sessionInfo(),locale = F)

R version 4.4.0 (2024-04-24)
Platform: aarch64-apple-darwin20
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
 [1] magick_2.8.3    patchwork_1.2.0 ggthemes_5.1.0  janitor_2.2.0  
 [5] here_1.0.1      lubridate_1.9.3 forcats_1.0.0   stringr_1.5.1  
 [9] dplyr_1.1.4     purrr_1.0.2     readr_2.1.5     tidyr_1.3.1    
[13] tibble_3.2.1    ggplot2_3.5.1   tidyverse_2.0.0

loaded via a namespace (and not attached):
 [1] utf8_1.2.4        generics_0.1.3    renv_1.0.7        stringi_1.8.3    
 [5] hms_1.1.3         digest_0.6.35     magrittr_2.0.3    evaluate_0.23    
 [9] grid_4.4.0        timechange_0.3.0  fastmap_1.1.1     rprojroot_2.0.4  
[13] jsonlite_1.8.8    fansi_1.0.6       scales_1.3.0      cli_3.6.2        
[17] crayon_1.5.2      rlang_1.1.3       bit64_4.0.5       munsell_0.5.1    
[21] withr_3.0.0       yaml_2.3.8        parallel_4.4.0    tools_4.4.0      
[25] tzdb_0.4.0        colorspace_2.1-0  pacman_0.5.1      png_0.1-8        
[29] vctrs_0.6.5       R6_2.5.1          lifecycle_1.0.4   snakecase_0.11.1 
[33] bit_4.0.5         htmlwidgets_1.6.4 vroom_1.6.5       pkgconfig_2.0.3  
[37] pillar_1.9.0      gtable_0.3.5      glue_1.7.0        Rcpp_1.0.12      
[41] xfun_0.43         tidyselect_1.2.1  rstudioapi_0.16.0 knitr_1.46       
[45] farver_2.1.1      htmltools_0.5.8.1 labeling_0.4.3    rmarkdown_2.26   
[49] compiler_4.4.0

Literaturverzeichnis

Nordmann, E., McAleer, P., Toivo, W., Paterson, H., & DeBruine, L. M. (2022). Data Visualization Using R for Researchers Who Do Not Use R. Advances in Methods and Practices in Psychological Science, 5(2), 251524592210746. https://doi.org/10.1177/25152459221074654

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Aufl.).

Winter, B. (2019). Statistics for Linguists: An Introduction Using R. In Statistics for Linguists: An Introduction Using R. Routledge. https://doi.org/10.4324/9781315165547

--- title: "Datenvisualisierung 3" subtitle: "Darstellung der zusammenfassenden Statistik" author: "Daniela Palleschi" institute: Humboldt-Universität zu Berlin footer: "Datenvisualisierung 3" lang: de format: html: output-file: data_viz3_blatt_DE.html include-after-body: ../../custom.html number-sections: true number-depth: 3 toc: true toc-title: "heutige Themen" code-overflow: wrap code-tools: true self-contained: true execute: fig-width: 6 fig-asp: .618 fig-align: centre revealjs: output-file: data_viz3_folien_DE.html include-after-body: ../../custom.html theme: [dark] width: 1600 height: 900 progress: true # smaller: true scrollable: true slide-number: c/t code-link: true code-overflow: wrap code-tools: true # logo: logos/hu_logo.png # css: logo.css incremental: true number-depth: 1 toc: false toc-depth: 1 toc-title: 'Überblick' navigation-mode: linear controls-layout: bottom-right fig-cap-location: top font-size: 0.6em slide-level: 4 self-contained: true # chalkboard: true title-slide-attributes: data-background-image: logos/logos.tif data-background-size: 15% data-background-position: 50% 92% execute: fig-width: 6 fig-asp: .618 fig-align: centre pdf: toc: true number-sections: true colorlinks: true code-overflow: wrap execute: out-width: "80%" fig-asp: .618 fig-align: centre bibliography: ../../references.bib csl: ../../apa.csl editor_options: chunk_output_type: console --- ```{r} #| echo: false knitr::opts_chunk$set(eval = T, ## evaluate chunks echo = T, ## 'print code chunk?' message = F, ## 'print messages (e.g., warnings)?' error = T, ## continueeven when error encountered warning = F) ## don't print warnings ``` # Lernziele {.unnumbered} Heute werden wir lernen... - Boxplots zu erstellen und zu interpretieren - Mittelwerte und Standardabweichungen zu visualisieren # Ressourcen {.unnumbered} - [Kurswebsite (Datenvisualisierung 3)](https://daniela-palleschi.github.io/r4ling/mats/10-dataviz_3.html) - [Abschnitt 2.5 (Visualisierung von Beziehungen)](https://r4ds.hadley.nz/data-visualize#visualizing-relationships) in @wickham_r_2023 - [Kapitel 4 (Darstellung von zusammenfassenden Statistiken)](https://psyteachr.github.io/introdataviz/representing-summary-statistics.html) in @nordmann_data_2022 - Abschnitte 3.5-3.9 in @winter_statistics_2019 # Einrichten {.unnumbered} ## Pakete {.unnumbered} ```{r} pacman::p_load(tidyverse, here, janitor, ggthemes, patchwork) ``` ```{r} #| echo: false # load magick for the slides pacman::p_load(magick) theme_set(theme_bw()) ``` ## Daten {.unnumbered} ```{r} df_eng <- read_csv( here( "daten", "languageR_english.csv" ) ) |> clean_names() |> rename( rt_lexdec = r_tlexdec, rt_naming = r_tnaming ) ``` # Wiederholung :::: columns ::: {.column width="50%"} - Betrachten Sie jede Abbildung in @fig-distributions + Wie viele Variablen werden in jeder Abbildung dargestellt? + welche *Typen* von Variablen sind es? + Welche zusammenfassende(n) Statistik(en) wird/werden in jedem Diagramm dargestellt? ::: ::: {.column width="50%"} ```{r} #| echo: false fig_hist <- df_eng |> ggplot(aes(x = rt_lexdec, fill = age_subject)) + geom_histogram(binwidth = 50, alpha = 0.5, position = "identity") + labs( title = "Histogram", x = "LDT reaction time (ms)", y = "Count", fill = "Age group") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() fig_dens <- df_eng |> ggplot(aes(x = rt_lexdec, fill = age_subject, colour = age_subject)) + geom_density(alpha=.2) + labs( title = "Density plot", x = "LDT reaction time (ms)", y = "Density", color = "Age group", fill = "Age group") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() fig_scat <- df_eng |> ggplot(aes(x = rt_lexdec, y = rt_naming)) + geom_point(aes(color = age_subject, shape = age_subject), alpha = .3) + # geom_smooth(method = "lm") + labs( title = "Scatterplot", x = "LDT reaction time (ms)", y = "Naming reaction time (ms)", color = "Age group", shape = "Age group") + scale_color_colorblind() + theme_minimal() fig_bar <- df_eng |> ggplot( aes(x = age_subject, fill = word_category)) + geom_bar() + labs( title = "Barplot (stacked)", x = "Age Group", y = "Count", fill = "Word Category" ) + scale_fill_colorblind() + theme_minimal() fig_bar_dodge <- df_eng |> ggplot( aes(x = age_subject, fill = word_category)) + geom_bar(position="dodge") + labs( title = "Barplot (dodged)", x = "Age Group", y = "Count", fill = "Word Category" ) + scale_fill_colorblind() + theme_minimal() ``` ```{r} #| echo: false #| label: fig-distributions #| fig-cap: "Different plots types" #| fig-width: 8 #| fig-asp: .8 (fig_hist + fig_dens) / (fig_scat + fig_bar_dodge) + plot_annotation(tag_levels = "A") + theme(plot.title = element_blank()) ``` ::: :::: # Darstellung von zusammenfassenden Statistiken - Modus und Bereich werden in Histogrammen und Dichteplots visualisiert - die Anzahl der Beobachtungen wird in Balkendiagrammen visualisiert ## Boxplot :::: columns ::: {.column width="60%"} - auch bekannt als Box-and-Whisker-Plots, enthalten + eine Box + eine Linie in der Mitte der Box + Linien, die an beiden Enden der Box herausragen (die 'Whisker') + manchmal Punkte ::: ::: {.column width="40%"} ```{r} #| echo: false boxplot(iris$Sepal.Width) ``` ::: :::: --- :::: columns ::: {.column width="60%"} - Betrachten Sie @fig-boxplot + identifiziere jeden dieser 4 Aspekte des Plots + können Sie erraten, was jeder dieser Aspekte darstellen könnte und wie Sie die Darstellung interpretieren sollten? ::: ::: {.column width="40%"} ```{r} #| ouput-location: column-fragment #| echo: false #| code-line-numbers: "|4" #| label: fig-boxplot #| fig-cap: "Boxplot of `df_eng` (body mass by age_subject)" df_eng |> ggplot(aes(x = age_subject, y = rt_lexdec, colour = age_subject)) + geom_boxplot() + labs(title = "Boxplot", x = "Age group", y = "LDT Reaction time (ms)", color = "Age group" ) + scale_color_colorblind() + theme_minimal() + theme( legend.position = "none" ) ``` ::: :::: --- - Boxplots vermitteln eine Menge Informationen in einer einzigen Visualisierung + Die Box selbst stellt den *Interquartilsbereich* (IQR; der Bereich der Werte, der zwischen den mittleren 50% der Daten liegt) dar. + Die Grenzen der Box repräsentieren Q1 (1. Quartil, unter dem 25% der Daten liegen) und Q3 (3. Quartil, über dem 25% der Daten liegen) + die Linie in der Mitte des Boxplots stellt den *Median* dar + auch Q2 genannt (2. Quartil; der mittlere Wert, über/unter dem 50% der Daten liegen) + Die Whisker repräsentieren `1,5*IQR` von Q1 (unterer Whisker) oder Q3 (oberer Whisker) + Punkte, die außerhalb der Whisker liegen, stellen Ausreißer dar (d. h. Extremwerte, die außerhalb des IQR liegen). --- - @fig-winter-boxplot-hist [@winter_statistics_2019, S. 59] zeigt die Beziehung zwischen einem Histogramm und einem Boxplot ::: {.content-visible when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @winter_statistics_2019 (all rights reserved)" #| fig-cap-location: bottom #| label: fig-winter-boxplot-hist # invert colours for dark mode in slides library(magick) magick::image_negate(magick::image_read(here::here("media/Winter_2019_boxplot.png"))) ``` ::: ::: {.content-hidden when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @winter_statistics_2019 (all rights reserved)" #| fig-cap-location: bottom magick::image_read(here::here("media/Winter_2019_boxplot.png")) ``` ::: --- - @fig-wickham-boxplot-hist [@wickham_r_2023] hat einen ähnlichen Vergleich, einschließlich eines Streudiagramms ::: {.content-visible when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @wickham_r_2023 (all rights reserved)" #| fig-cap-location: bottom #| label: fig-wickham-boxplot-hist # invert colours for dark mode in slides y <- magick::image_read(here::here("media/Wickham_boxplot.png")) magick::image_negate(y) ``` ::: ::: {.content-hidden when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @wickham_r_2023 (all rights reserved)" #| fig-cap-location: bottom magick::image_read(here::here("media/Wickham_boxplot.png")) ``` ::: ### `geom_boxplot()` - Die Funktion `geom_boxplot()` von `ggplot2` erzeugt Boxplots + sie benötigt eine numerische Variable als `x` oder `y` Achse (@fig-geom-boxplot-y) ```{r} #| eval: false #| df_eng |> ggplot(aes(y = rt_lexdec)) + geom_boxplot() ``` ```{r} #| label: fig-geom-boxplot-y #| fig-cap: "A boxplot for all observations of a continuous variable" #| fig-asp: .618 #| fig-width: 5 #| echo: false df_eng |> ggplot(aes(y = rt_lexdec)) + geom_boxplot() + theme_bw() + theme(axis.text.x = element_blank(), axis.ticks.x = element_blank()) ``` --- - für Boxplots verschiedener Gruppen: eine kategorische Variable entlang der anderen Achse (@fig-geom-boxplot) ```{r} #| label: fig-geom-boxplot #| fig-cap: "A boxplot for two groups" #| fig-width: 5 #| fig-asp: .618 df_eng |> ggplot(aes(x = age_subject, y = rt_lexdec)) + geom_boxplot() + theme_bw() ``` ### Gruppierter Boxplot - Wir können gruppierte Boxplots erstellen, um mehr Variablen zu visualisieren + einfach eine neue Variable mit `colour` oder `fill` ästhetisch zuordnen ```{r} #| output-location: column-fragment #| fig-width: 7 #| label: df_boxplot_group #| fig-cap: A grouped boxplot df_eng |> ggplot(aes(x = age_subject, y = rt_lexdec, colour = word_category)) + geom_boxplot() + labs( x = "Age group", y = "LDT reaction time (ms)", color = "Word type" ) + scale_colour_colorblind() + theme_bw() ``` # Visualisierung des Mittelwerts - In der Regel wollen wir auch den Mittelwert mit der Standardabweichung darstellen. + Wie können wir das tun? ## Fehlerbalkenplots :::: columns ::: {.column width="50%"} - Diese Diagramme bestehen aus 2 Teilen: + der Mittelwert, visualisiert mit `geom_point()` + ein Maß für die Streuung, visualisiert mit "geom_errorbar()". - für diesen Kurs werden wir die Standardabweichung verwenden - @fig-errorbar ist das, was wir heute erzeugen werden ::: ::: {.column width="50%"} ```{r} #| ouput-location: column-fragment #| echo: false #| label: fig-errorbar #| fig-width: 5 #| fig-cap: "Errorbar plot of `df_eng` (body mass by age_subject)" df_eng |> summarise(mean = mean(rt_lexdec), sd = sd(rt_lexdec), N = n(), .by = c(age_subject)) |> ggplot(aes(x = age_subject, y = mean, colour = age_subject, shape = age_subject)) + # geom_point(data = df_eng, alpha = .4, position = position_jitterdodge(.5), aes(x = age_subject, y = rt_lexdec)) + geom_point(size = 3) + geom_errorbar(width = .5, aes(ymin=mean-sd, ymax=mean+sd)) + labs(title = "Mean LDT time (+/-1 SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_color_colorblind() + theme_bw() + theme( legend.position = "none" ) ``` ::: :::: ### Berechnung der zusammenfassenden Statistik - müssen wir zunächst den Mittelwert und die Standardabweichung berechnen + gruppiert nach den Variablen, die wir visualisieren wollen + Wie kann man den Mittelwert und die Standardabweichung von `rt_lexdec` nach `age_subject` berechnen? ```{r} #| code-fold: true #| code-summary: "Click here to see how" sum_eng <- df_eng |> summarise(mean = mean(rt_lexdec), sd = sd(rt_lexdec), N = n(), .by = age_subject) |> arrange(age_subject, age_subject) ``` - Diese Zusammenfassung können wir dann in `ggplot()` mit den entsprechenden ästhetischen Zuordnungen und Geomen einfügen ### Plotting mean :::: columns ::: {.column width="50%"} - Zunächst werden die Mittelwerte mit `geom_point()` dargestellt. ::: ::: {.column width="50%"} ```{r} #| output-location: fragment #| code-line-numbers: "3,4" sum_eng |> ggplot() + aes(x = age_subject, y = mean) + geom_point() ``` ::: :::: ### Hinzufügen von Fehlerbalken :::: Spalten ::: {.column width="50%"} - Fügen wir nun unsere Fehlerbalken hinzu, die 1 Standardabweichung über und unter dem Mittelwert darstellen - wir tun dies mit `geom_errorbar()` + nimmt `ymin` und `ymax` als Argumente + In unserem Fall sind dies `mean-/+sd`. ::: ::: {.column width="50%"} ```{r} #| output-location: fragment #| code-line-numbers: "5,6" sum_eng |> ggplot() + aes(x = age_subject, y = mean) + geom_point() + geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd)) ``` ::: :::: --- - Wenn wir weitere Anpassungen hinzufügen, erhalten wir @fig-errorbar-custom ```{r} #| code-fold: true #| label: fig-errorbar-custom #| fig-cap: Customised errorbar #| output-location: column sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_point(size = 3) + geom_errorbar(width = .5) + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_color_colorblind() + theme_bw() + theme( legend.position = "none" ) ``` # Barplot von Mittelwerten: Finger weg! {.smaller} - Sie werden sehr oft Balkendiagramme von Mittelwerten sehen + aber es gibt viele Gründe, warum dies eine schlechte Idee ist!! - Der Balkenplot hat ein schlechtes Daten-Tinten-Verhältnis, d.h. die Menge der Datentinte geteilt durch die Gesamttinte, die zur Erstellung der Grafik benötigt wird + Was ist, wenn es nur sehr wenige oder gar keine Beobachtungen in der Nähe von Null gibt? Wir verbrauchen eine Menge Tinte, wo es keine Beobachtungen gibt! + Außerdem deckt der Balken nur den Bereich ab, in dem die untere *Hälfte* der Beobachtungen liegt; ebenso viele Beobachtungen liegen über dem Mittelwert! ## - Wie groß ist die Bandbreite der beobachteten Werte? ```{r} #| output-location: fragment range(df_eng$rt_lexdec) ``` - beachten Sie, dass der tatsächliche Bereich der Datenpunkte und das Balkendiagramm viel "Tinte" für datenfreie (d. h. unbeobachtete) Reaktionszeitwerte verwenden ```{r} #| label: fig-bar #| fig-cap: "Balkendiagramm des Mittelwerts mit +/- 1 Standardabweichung (ich empfehle, von solchen Diagrammen abzusehen!)" #| echo: false #| output-location: fragment sum_eng |> ggplot() + aes(x = age_subject, y = mean, fill = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_col() + geom_errorbar(width = .5, colour = "darkgrey") + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_fill_colorblind() + theme_bw() + theme( legend.position = "none" ) ``` ## Fehlerbalkendiagramm vs. Balkendiagramm für Mittelwerte - @fig-barplot A und B stellen dieselbe Information dar ```{r} #| label: fig-barplot #| fig-cap: "Fehlerbalken-Diagramm und Balkendiagramme, die Mittelwerte (+/-1SD) darstellen, sowie ein Histogramm der gleichen Daten" #| echo: false #| out-width: "100%" #| fig-height: 4 #| fig-dpi: 1600 sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_point(size = 3) + geom_errorbar(width = .5) + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_color_colorblind() + theme_bw() + theme( legend.position = "none" ) + sum_eng |> ggplot() + aes(x = age_subject, y = mean, fill = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_col() + geom_errorbar(width = .5, colour = "darkgrey") + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_fill_colorblind() + theme_bw() + theme( legend.position = "none" ) + df_eng |> ggplot() + aes(y = rt_lexdec, fill = age_subject) + geom_histogram(alpha = 0.5, position = "identity") + scale_fill_colorblind() + labs(title = "Verteilung der Reaktionszeiten", x = "Häufigkeit", y = "Reaction time (ms)", color = "Age group" ) + theme_bw() + theme( legend.position = "none" ) + plot_annotation(tag_levels = "A") ``` ## Gleiche Grenzen auf der y-Achse - @fig-barplot-range zeigt die gleichen Daten, aber mit dem gleichen y-Achsenbereich ```{r} #| label: fig-barplot-range #| fig-cap: "Fehlerbargraphik und Balkenplots, die Mittelwerte (+/-1SD) darstellen, sowie ein Histogramm derselben Daten mit demselben y-Achsenbereich" #| echo: false #| fig-width: 8 #| fig-asp: .3 sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_point(size = 3) + geom_errorbar(width = .5) + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_color_colorblind() + theme_bw() + theme( legend.position = "none" ) + ylim(0,1400) + sum_eng |> ggplot() + aes(x = age_subject, y = mean, fill = age_subject, shape = age_subject, ymin=mean-sd, ymax=mean+sd) + geom_col() + geom_errorbar(width = .5, colour = "darkgrey") + labs(title = "Mean LDT times (+/-1SD)", x = "Age group", y = "Reaction time (ms)", color = "Age group" ) + scale_fill_colorblind() + theme_bw() + theme( legend.position = "none" ) + ylim(0,1400) + df_eng |> ggplot() + aes(y = rt_lexdec, fill = age_subject) + geom_histogram(alpha = 0.5, position = "identity") + scale_fill_colorblind() + labs(title = "Verteilung der Reaktionszeiten", x = "Häufigkeit", y = "Reaction time (ms)", color = "Age group" ) + theme_bw() + theme( legend.position = "none" ) + ylim(0,1400) + plot_annotation(tag_levels = "A") ``` ## Zusammenfassende Statistiken und Verteilung - Fehlerbalken allein sind keine Lösung: auch hier wird eine Menge Information verborgen + ein guter Grund, die Rohdatenpunkte *immer* zu visualisieren, unabhängig davon, welche zusammenfassende Darstellung Sie erstellen # Lernziele 🏁 {.unnumbered .unlisted} In diesem Abschnitt haben wir gelernt, wie man... - Boxplots erstellen und interpretieren ✅ - Fehlerbalkendiagramme erstellen und interpretieren ✅ ## Hausaufgabe {.unnumbered} [Anhang 8: Datenvisualisierung 3](https://daniela-palleschi.github.io/r4ling/appendices/00-aufgaben.html#sec-app_data_viz3) auf der Website des Kurses. # Session Info {.unnumbered} ```{r} #| eval: false #| echo: false RStudio.Version()$version ``` Hergestellt mit `r R.version.string` (`r R.version$nickname`) und RStudioversion 2023.9.0.463 (Desert Sunflower). ```{r} print(sessionInfo(),locale = F) ``` # Literaturverzeichnis {.unlisted .unnumbered visibility="uncounted"} ::: {#refs custom-style="Bibliography"} :::